pytorch的 Size[3] 和 Size[3,1] 区别

今天参考d2l-zh-pytorch做循环神经网络中第一个练习时，没有导入d2l库（之前遇到到跟本地numpy冲突），部分需要d2l库的部分采用手搓，发现损失总是不收敛，跟预期极大。经过不断排查，发现是reshape((-1,1))这个写错了，我写成reshape((-1))了。没想到不报错，模型还能训练（

在张量中，维度是用来表示数据结构的多维性。标量（scalar）是一个具有单一值的张量。

import torch
x = torch.tensor(4)print(f"x值(tensor类型): {x}\n",f"x的数值(数字): {x.item()}\n",f"x的维度: {x.shape}")
# x值(tensor类型): 4
#  x的数值(数字): 4       
#  x的维度: torch.Size([])

这里的x就是为标量，它没有维度，所以是[]。

标量没有维度！！！

import torch
x = torch.tensor([1,2,3])print(f"x值(tensor类型): {x}\n",f"x的维度: {x.shape}\n",f"x[0]的值(tensor类型): {x[0]}\n",f"x[0]的数值(数字): {x[0].item()}\n",f"x[0]的维度: {x[0].shape}")
# x值(tensor类型): tensor([1, 2, 3])
#  x的维度: torch.Size([3])
#  x[0]的值(tensor类型): 1
#  x[0]的数值(数字): 1
#  x[0]的维度: torch.Size([])

这个上面的x是一维张量（向量），单个x元素是标量，没有维度。

import torch
x = torch.tensor([1,2,3])
x = x.reshape((-1,1))
print(f"x的维度: {x.shape}\n",f"x[0]的维度: {x[0].shape}\n"f"x[0]的数值: {x[0].item()}")
# x的维度: torch.Size([3, 1])
#  x[0]的维度: torch.Size([1])
# x[0]的数值: 1

这个上面的x是二维张量（向量），单个x元素是一维张量，维度为1。

因为之前主要写C++，所以当pytorch输出Size[3]时觉得是(1,3)这样维度为2的。这是由于我没有考虑到张量和标量的区别。